Analisis Dan Implementasi Algoritma Neural Network Pada Classification Dalam Melakukan Prediksi Pelanggan Churn Telkom Speedy

Analisis Dan Implementasi Algoritma Neural Network Pada Classification Dalam Melakukan Prediksi Pelanggan Churn Telkom Speedy Fauzan Azhim Umsohi1, Jondri Drs., MT.2, Siti Sa’adah, ST., MT.3 1,2,3 Departemen Informatika – Universitas Telkom 1 [email protected], [email protected],3 [email protected]

Penyedia layanan internet atau yang lebih dikenal sebagai internet service provider (ISP) saat ini semakin bertambah. Dari awalnya pelanggan di dominasi oleh satu provider sekarang sudah berganti dengan provider lain. Tentunya masih banyak lagi faktor lainnya, kejadian ini dinamakan churn. Untuk itu perlu dilakukan tindakan antisipasi untuk mengatasi hal tersebut dimana yang pada tulisan ini dengan melakukan klasifikasi prediksi churn.Data yang digunakan bersifat non-linier oleh karena itu pada tulisan ini digunakan metode Single-layered Supervised Neural Network’s yang dikenal SSNNs. Dimana metode ini memang ditujukan untuk data semacam ini [1]. Dengan parameter-parameter optimal yang dihasilkan saat pengujian sistem, didapat akurasi prediksi sebesar 72,35%. Kata Kunci: churn, Neural Network, klasifikasi, SSNNs.

Abstract Internet service provider, or better known as the ISP is currently increasing overtime. Initially ISP is dominated by one provider but now, it’s already been replaced by the other providers. Of course provider turnover were caused by several other factors, such event was knows as churn. Of course given this kind of situation, churn prediction is necessary which is used this time. The data used contain non-linear data, for that the method used was Single-layered Supervised Neural Network’s as known as SSNNs.This method was intended for this kind of data [1]. With the optimal parameters used in testing phase, the obtained accuracy from the predicted churn was 72,35%. Keywords : Churn, Neural Network, Classification, SSNNs

pelanggan, data pemakaian, data gangguan, keluhan dan data layanan. Data tersebut akan diekspansi menjadi 55 atribut yang tentunya merupakan data yang tidak dapat dipisahkan secara linier. Untuk itulah penerapan algoritma kumpulan Neural Network single layer dengan metode pembelajaran supervised yang selanjutnya ditulis pada penelitian ini dengan Single-layer Supervised Neural Network (SSNNs) digunakan sebagaimana pengembangan tersebut mempertahankan kelebihan Neural Network single layer daripada Neural Network lain (Neural Network multi layer) yaitu kecepatannya dalam memproses data dan juga menutup kelemahan dari Neural Network single layer biasa yang berupa ketidak mampuannya untuk menangani data yang bersifat non-linear seperti pada data dari kasus yang digunakan pada tulisan ini [13]. Didalam melakukan prediksi churn, tentunya terdapat beberapa parameter utama yang digunakan, dimana dalam tulisan ini digunakan

BAB 1 PENDAHULUAN 1.1 Latar Belakang Telkom merupakan salah satu perusahaan besar di Indonesia yang berkecimpung dibanyak bidang salah satunya Telkom memiliki layanan internet yang bernama Telkom Speedy. Dengan semakin berkembangnya infrastruktur teknologi telekomunikasi hadirlah provider lain di Indonesia yang menawarkan teknologi terbaru dengan kualitas yang sama bahkan lebih baik. Dengan bertambahnya saingan, Speedy mengalami penurunan jumlah pelanggan dengan dampak terbesar akibat ketatnya persaingan dengan provider lain lalu pemutusan layanan baik dari perusahaan maupun pengguna. Pemutusan layanan inilah yang dinamakan dengan Churn.Untuk mengantisipasi hal tersebut penulis pada tulisan ini melakukan prediksi churn. Atribut - atribut yang digunakan dalam penelitian ini berupa data demographic

1

learning rate dan epoch. Dengan melakukan pengujian-pengujian dengan parameterparameter tersebut akan dicari akurasi yang peling optimal sehingga hasil prediksi inipun dapat berguna.

tersebut berhenti atau pindah menggunakan provider lain. Hal tersebut akan sangat merugikan bagi provider untuk itulah hal ini harus bisa diantisipasi. Beberapa penyebab terjadinya churn secara umum dapat disebabkan oleh provider maupun oleh pengguna. Dari sisi provider layanan dapat dihentikan bila pengguna layan tidak mengikuti ketentuan – ketentuan yang telah ditetapkan oleh provider misalnya pengguna telat terlalu banyak dalam melakukan pembayaran. Sedangkan dari sisi pengguna seperti yang telah disebutkan sebelumnya yaitu ketika pengguna pindah provider atau pengguna pindah tempat tinggal.

1.2 Perumusan Masalah Rumusan masalah berdasarkan judul dan latar belakang : 1.

Benarkah penerapan SSNNs dalam klasifikasi dapat menyelesaikan data non-linear?

2.

Bagaimana cara kerja dari penerapan neural network untuk melakukan klasifikasi mengenai pengguna layanan agar dapat melakukan prediksi pelanggan yang berpotensi melakukan churn ?

2.2 Data Mining Terdiri dari Data dan Mining, dimana data sendiri berarti kumpulan fakta yang belum memiliki arti sehingga harus melewati proses pengolahan agar dapat memiliki arti tersendiri bagi yang menggunakan data tersebut. Sedangkan mining sendiri merupakan penggalian yang merupakan sebuah proses menggali dari sesuatu. Sehingga Data Mining adalah proses menggali kumpulan data atau fakta untuk memberikan informasi yang berguna bagi pengguna data tersebut. Tentunya hasil penggalian tersebut mendapatkan pola dan pola inilah yang digunakan sebagai informasi penting. Data mining sendiri [5] erat keterkaiyannya dengan bidang ilmu – ilmu lain, seperti database system, data warehousing, statistik, machine learning, information retrieval, dan komputasi tingkat tinggi. Oleh karena itu pada penelitian ini diterapkan pada neural network. Data mining yang didefinisikan sebagai proses menemukan pola-pola dalam data merupakan suatu proses yang bersifat otomatis atau semiotomatis. Pola yang ditemukan harus penuh arti dan pola tersebut memberikan keuntungan, biasanya keuntungan secara ekonomi. Data yang dibutuhkan dalam jumlah besar. Berikut ini merupakan karakteristik dari data mining [5]:

1.3 Tujuan Tujuan dilakukannya penilitian terhadap penggunaan neural network pada rule mining : 1.

Melakukan analisa dari penerapan neural network dalam klasifikasi. Dimana hal ini dapat dilakukan dengan melakukan mencari nilai optimal dari tiap parameter yang selanjutnya digunakan untuk perhitungan akurasi dari prediksi yang dihasilkan.

2.

Menghasilkan klasifikasi pengguna layanan yang nantinya berguna dan digunakan sebagai pertimbangan untuk melakukan tindakan antisipasi.

1.4 Hipotesa Neural Network sudah dikenal dengan kemampuannya dalam menemukan pola secara efisien dalam data yang sangat banyak sekalipun yang berarti SSNNs yang diterapkan pada klasifikasi dapat berjalan dan mengklasifikasikan dengan baik. Hasil output dari sistem ini dapat menunjukan pelanggan mana yang berpotensi melakukan churn. Hal ini tentunya akan berguna dan tentunya dapat digunakan untuk melakukan tindakan antisipasi.

BAB II TINJAUAN PUSTAKA 2.1 Churn Churn merupakan aktfitas pengguna layanan dari suatu provider untuk berhenti menggunakan layanan baik memang pengguna

2



Data mining berhubungan dengan penemuan sesuatu yang tersembunyi dan pola data tertentu yang tidak diketahui sebelumnya.



Data mining biasa menggunakan data yang sangat besar. Biasanya data yang besar digunakan untuk membuat hasil lebih dipercaya.



2.

Data mining berguna untuk membuat keputusan yang kritis, terutama dalam strategi.

3. Dapat ditarik kesimpulan dari beberapa keterangan diatas bahwa [5] data mining adalah suatu teknik menggali informasi berharga yang terpendam atau tersembunyi pada suatu koleksi data (database) yang sangat besar sehingga ditemukan suatu pola yang menarik yang sebelumnya tidak diketahui. Kata mining sendiri berarti usaha untuk mendapatkan sedikit barang berharga dari sejumlah besar material dasar. Karena itu data mining sebenarnya memiliki akar yang panjang dari bidang ilmu seperti kecerdasan buatan (artificial intelligent), machine learning, statistik dan database. Beberapa metode yang sering disebut-sebut dalam literatur data mining antara lain clustering, classification, association rules mining, neural network, genetic algorithm dan lain-lain.

Summing function yang menjumlahkan input yang telah diberi bobot dari jalur hubungan (∑). Fungsi aktivasi yang membatasi output dari neuron (function).

Diamana permodelan ini dapat digambarkan seperti dibawah :

Gambar 1 Komponen Dasar Neural Network

2.5 Supervised Learning Seperti namanya supervised yang berarti diawasi dimana pada neural netwrok hal ini digambarkan dengan kumpulan sampel inputoutput yang memiliki pengetahuan tentang hasil yang diinginkan dari terbentukan neural netwrok yang dibangun. Hal ini menyebabkan metode supervised learning dapat memberikan respon seperti yang diinginkan oleh neural netwrok, dimana respon tersebut merepresentasikan aksi optimum dari suatu neural netwrok. Di dalam metode ini [13] terdapat parameterparameter jaringan yang berubah berdasarkan vektor latih dan sinyal kesalahan dimana skema ini akan dilakukan terus-menerus agan neural netwrok dapat memiliki kemampuan untuk mengawasi dengan baik. Hal ini tentunya akan membuat hasil dari sistem memiliki akurasi yang tinggi.

2.3 Klasifikasi Data Merupakan suatu pengelompokkan dari data. Berdasarkan Kamus Besar Bahasa Indonesia klasifikasi merupakan penyusunan bersistem dalam kelompok atau golongan menurut kaidah atau standar yang ditetapkan. Bila dikaitkan dengan data maka klasifikasi dapat berupa proses pengelompokkan data dengan atribut yang sama, dan juga membedakan data dengan atribut yang tidak sama. 2.4 Neural Network Neural Network [14] merupakan permodelan dari sistem syaraf otak manusia dimana hal ini dibuat berdasarkan kemampuan otak manusia dalam mengatur sel–sel yang dikenal sebagai neuron, sehingga dapat digunakan untuk menyelesaikan tugas yang diberikan seperti mengenali pola. Pada strukturnya sendiri [14] neural network memiliki struktur paralel yang tersebar dan mempunyai kemampuan untuk belajar, dimana hal ini membuat neural network dapat menghasilkan generalisasi agar tercipta output yang benar untuk input yang baru atau belum dilakukan training. Hal ini membuat neural network dapat menyelesaikan masalah yang kompleks sekalipun. Di dalam pembangunan modelnya neural network memiliki 3 elemen dasar yaitu [14] : 1. Jalur hubungan yang memiliki bobot (w).

2.6 Single-layered Neural Network with Supervised Learning (SSNN) SSNN (Neural Network single layer dengan metode pembelajaran supervised) memiliki model seperti berikut :

3

4. Update bobot tiap iterasi dengan menggunakan fungsi Wj+1 = Wj+αEjX, Ej = (t – y) Dimana Wj adalah bobot awal, t merupakan target output, y adalah output aktual, g merupakan fungsi aktivasi pada neural network, dan X adalah data input. 5. Update nilai error, lakukan kembali Step 3

Gambar 2 Struktur Neural Network Single Layered

Dimana a merupakan data input w merupakan bobot yang diambil secara random. Dengan melihat dari gambar tersebut dapat diartikan dengan nilai input dikalikan dengan bobot yang hasilnya akan dijumlahkan menjadi y melalui persamaan [14] :

2.7 SSNN Untuk Data Non-liniearly Separable (SSNNs) Hanya SSNN saja tidak dapat memodelkan data yang memiliki hubungan non-linearly separable. Untuk itulah digunakan lebih dari satu SSNN untuk melakukan permodelan data yang memiliki hubungan yang bersifat nonlinearly separable tersebut. Struktur permodelan ini dapat melakukan mining dengan cepat karena strukturnya yang merupakan implementasi paralel dari SSNNs, strukturnya simpel dan cepat dalam menanggapi perubahan dinamis.

y = ∑𝑛𝑗=1 𝑊𝑗 . 𝑋 Dimana y merupakan hasil dari jumlah hasil perkalian data dengan bobot ke-1 sampai data ke-n. Hasil dari penjumlahan tersebut akan melalui fungsi yang merupakan fungsi sigmoid dengan persamaan sebagai berikut [14] : 1

Out = 1+exp⁡(−𝑦)

Semakin banyak SSNN yang terbentuk maka semakin baik model yang dihasilkan dari seluruh data yang ada. Dimana banyaknya SSNN akan meng-cover seluruh data.

Dimana y merupakan hasil dari persamaan sebelumnya dan out merupakan hasil klasifikasi yang menentukan churn atau tidaknya suatu data pelanggan. Sehingga menghasilkan SSNN set yang telah terdapat hasil justifikasinya pada langkah selanjutnya. Berikut akan dijelaskan langkah– langkah algoritma learning SSNN dimana parameter inputnya yaitu :

Gambar 3 Struktur Neural Network Single Layered Supervised Untuk Data Non-liniearly Separable (SSNNs)

T : data training Emin : toleransi error α : learning rate max_Epoch : jumlah maksimal iterasi dalam proses learning berikut merupakan prosesnya

penjelasan

2.8 Confusion Matrix Sebagai alat ukur dari model klasifikasi ini diperlukan confusion matrix, yang merupakan alat ukur akurasi yang dapat mengukur dengan tepat walaupun dengan kelas yang berbeda [1]. Misal diketahui terdapat 2 kelas A dan B. Untuk mengukur model prediksi dari A akan tercipta matriks sebagai berikut :

mengenai

1. Mengambil data training T dengan jumlah atribut n dan jumlah baris r 2. M bobot w sejumlah n atribut yang nantinya akan menghasilkan SSNN 3. Lakukan pengulangan selama error > Emin dan iterasi < maxEpoch

4

Tabel 1 Sampel Confusion Matriks

Data

A B

digunakan akan melalui beberapa tahap yaitu preprocessing untuk menyesuaikan data sehingga bisa dimasukkan ke dalam sistem, SSNNs Set Training dimana akan dilakukan pembuatan SSNNs yang kemudian dilakukan pembelajaran terhadap data latih hasil preprocessing sebelumnya sehingga jadilah SSNNs Set yang selanjutnya akan menjadi classifier pada data testing yang sebelumnya juga telah melalui tahap preprocessing.

Prediksi A B 25 1 2 22

Matriks tersebut menunjukan bagaimana prediksi yang dibuat oleh model. Dimana baris menunjukkan kelas yang diketahui dan kolom menunjukkan kelas yang diprediksi. Nilai tiap anggota dalam matriks tersebut adalah jumlah prediksi yang dibuat oleh kelas yang berkaitan sebagai contoh dengan jumlah nilai yang benar. Nilai pada diagonal matriks tersebut menunjukan jumlah klasifikasi yang benar sebaliknya, selain yang terletak pada diagonal menunjukan bahwa jumlah tersebut adalah jumlah error yang dibuat. Untuk pembagiannya bisa dilihat pada tabel dibawah

3.1.1

Flowchart Start

Dataset

Preprocessing

Tabel 2 Struktur Confusion Matriks

Data

A B

Prediksi A B TP FN FP TN

Data Training

Data Testing SSNNS Construction

Dimana TP merupakan True Positif, TN adalah True negatif, FP adalah False Positif, dan FN adalah False Negatif.

SSNNS Learning

SSNNS Set Training

Churn Prediction Classifier

Atribut dari matriks tersebut digunakan untuk menghitung nilai precision dan recall dimana :

Finish

Gambar 4 Flowchart Sistem

Precision = tp/(tp+fp)

3.1.2 Ilustrasi Preprocessing Pada tahap preprocessing data set akan diolah dengan ilustrasi sebagai berikut dengan contoh dari data pelajar dalam 1 pelajaran:

Sedangkan untuk recall : Recall = tp/(tp+fn) Nantinya hasil dari precision dan recall digunakan untuk menghitung F-measure yang merupakan perhitungan akurasi yang benar yang diketahui sebagai berikut :

Tabel 3 Contoh Data

F-measure = 2PR/(P+R) Dimana P merupakan merupakan recall.

precision dan R

BAB III PERANCANGAN SISTEM

Nama Duration

Sampel Tes Short

Grade

Medium

Assignment

High

Quiz

Low

Kategori Nama Short,intermediate, long Low, medium, high Low, medium, high Low, medium, high

Akan dilakukan pengkategorian menjadi seperti berikut :

3.1 Gambaran Umum Sistem Pada tahapan awal tugas akhir ini untuk melakukan klasifikasi dengan penambahan penerapan dari neural network, data yang

5

– masing. Untuk kasus – kasus tertentu seperti data numerik perlu dilakukan diskritisasi sebagai berikut :

Tabel 4 Sampel Normalisasi Data

a.

Periode_1 : Periode < 180 Periode_2 : 180 < Periode < 730 Periode_3 : Periode > 730

Maka untuk pelajar dengan nama tes dapat dikategorikan sebagai {1,5,9,10} yang akan menjadi salah satu item dalam suatu itemset yang nantinya akan diolah di dalam Neural Network. 3.1.3

Atribut Periode

b.

Atribut Usage 1.

Keterangan Dan Seleksi Atribut

Untuk Pelanggan BL Usage_1 : Usage < 50 Usage_2 : 50 < Usage < 100 Usage_3 : Usage > 100

Tabel 5 Pembagian Atribut

2.

Untuk Pelanggan CL Usage_1 : Usage < 75 Usage_2 : 75 < Usage < 125 Usage_3 : Usage > 125

3.

Untuk Pelanggan PL Usage_1 : Usage < 25 Usage_2 : 25 < Usage < 75 Usage_3 : Usage > 75

3.1.4 Input Data Data yang digunakan meliputi data pengguna churn dan yang tidak churn. Data yang digunakan pada memiliki sampel sebagai berikut :

c.

Atribut Jumlah Gangguan Ggn_1 : ggn = 1 Ggn_2 : ggn > 2

d.

Atribut Time To Repair TTR_PL : time < 28800 TTR_BL : time < 28800 TTR_CL : time < 86400

Tabel 6 Sampel Data

Setelah dilakukan kategorisasi seperti diatas, data – data akan di expand sehingga mendapatkan hasil sebagai berikut :

3.1.5 Normalisasi Data Pada tahapan ini data – data yang digunakan di dalam input akan dirubah menjadi bentuk yang sesuai dengan algoritma yang digunakan dalam penelitian ini yaitu SSNNs. SSNNs yang dibuat pada penelitian ini dapat menerima input berupa data yang bertipe boolean dimana untuk mendapatkan data bertipe boolean tersebut data akan di expand sesuai dengan kategori masing

6

Tabel 7 Ekspansi Atribut

Gambar 6 Normalisasi Pada Sistem

Gambar 7 Hasil Normalisasi Sistem

3.1.7 SSNNs Set Training Melakukan training SSNNs dengan membangun dan malukan learning untuk melakukan testing SSNNs. Dimana pada tahap ini pengujian dengan parameter-parameter seperti epoch dan learning rate diujikan pada skema yang akan dibahas pada bab selanjutnya.

Setelah itu akan dilakukan persilangan atribut sesuai dengan value dari masing – masing atribut sehingga didapat hasil sebagai berikut dimana 1 – 23 merupakan nomor urut atribut hasil ketegorisasi yang diambil sebagai sampel dari yang asli yaitu 57 nomor sesuai dengan tabel hasil ekspansi di atas. Berikut contoh hasil dari konversi boolean. Tabel 8 Sampel Hasil Normalisasi

Gambar 8 Parameter Sistem

*NoEA : Nomor Ekspansi Atribut (1-57 pada tabel ekspansi) 3.1.6

Normalisasi Pada Sistem Gambar 9 SSNNs Pada Sistem

3.1.8 SSNNs Testing Pada tahap ini akan dilakukan pengujian terhadap data testing dengan mengukur akurasi dari classification rule mining dengan cara menghitung menggunakan confusion matrix. Dimana akan dilakukan penghitungan jumlah data True Positif, True Negatif, False Positif dan False Negatif untuk menentukan nilai precision dan recall sehingga dapat ditemukan hasil akurasi yang benar.

Gambar 5 Load Data Sistem

Tabel 9 Confusion Matrix

Data\Prediksi

7

Churn

Not Churn

Churn Not Churn

True Positif False Positif

Skema 4 Menggunakan parameter – parameter yang didapat melalui skema 1, skema 2, dan skema 3 lalu melakukan klasifikasi.

FalseNegatif True Negatif

Setelah dilakukan perhitungan nilai atribut dari matriks di atas barulah dilakukan pencarian akurasi dengan mendapatkan F-measure.

Skema 5 Mendapatkan akurasi dari parameterparameter yang di dapat dari skema sebelumnya.

BAB IV IMPLEMENTASI, PENGUJIAN, DAN ANALISIS SISTEM

4.3 Analisis Analisi yang dilakukan pada sistem dilakukan dengan perubahan parameter seperti yang sudah dijelaskan pada bagian sebelumnya pada bagian pengujian.

4.1 Implementasi Berikut ini merupakan spesifikasi dari hardware dan software yang digunakan untuk melakukan uji coba sistem

4.3.1 Pengaruh Learning Rate terhadap akurasi (Skema 1)

4.1.1 Hardware Laptop : - Intel Core i3-3110M (Processor) - 8 GB RAM (Memory) - 500 GB (Hard Disk)

Accuracy in % 70 60

50

LR 0,01 LR 0,02 LR 0,03 LR 0,04 LR 0,05 LR 0,06 LR 0,07 LR 0,08 LR 0,09 LR 0,10

4.1.2 Software Program pendukung: - Windows 7 Ultimate 64-bit (Sistem Operasi Laptop) - Notepad++ (Development tool) - Matlab R2009a - MS Office

Accuracy in %

Grafik 1 Hasil Skema 1

Dari chart di atas, terlihat bahwa pengujian menggunakan nilai Learning Rate 0,07 memiliki hasil yang paling optimal. Maka dari itu untuk pengujian tahap selanjutnya digunakan Learning Rate 0,07.

4.2 Pengujian Pada penelitian ini dilakukan beberapa skema yang berbeda untuk menguji pengaruhnya terhadap sistem yang antara lain sebagai berikut

4.3.2 Pengaruh nilai Max Epoch terhadap akurasi

Skema 1 Menguji nilai learning rate dengan mengukur akurasi saat melakukan testing.

Accuracy in %

Skema 2 Dilakukan menggunakan hasil optimal dari skema awal yang dilanjutkan dengan mencari nilai epoch maksimal. Hal ini dilakukan dengan mencoba bergam nilai epoch dan mengukur akurasinya.

Epoch 50 Epoch 75 Epoch 100 Epoch 125 Epoch 150 Epoch 175

80 75 70 65

Skema 3 Menguji pengaturan jumlah summing (SSNNs) menggunakan parameter yang didapat.

Accuracy in %

Grafik 2 Hasil Skema 2

Dari hasil diatas terlihat bahwa pengujian menggunakan Epoch (perulangan learning) 75 memiliki hasil paling optimal dari yang lain.

8

4.3.3 Pengaruh Jumlah SSNNs terhadap akurasi

BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan hasil yang diperoleh dari pengujian yang dilakukan, didapat bahwa algoritma SSNNs dapat diterapkan pada studi kasus churn. Dengan melakukan pengujian-pengujian parameter sesuai skema dimana pada skema 1 didapat hasil Learning Rate optimal 0,07 yang selanjutnya pada skema 2 digunakan untuk mencari epoch optimal yang didapat pada 75 dan diakhiri pada skema 3 dengan parameter jumlah SSNN 10.

Accuracy in % 74 72 70 68 66 64 62

Accuracy in %

Setelah didapat parameter-parameter tersebut dapat dilanjutkan keskema akhir yaitu skema 4 dan 5 dimana pada skema 4 didapat bahwa terdapat pergantian kelas pada data pelanggan dari not churn dan sebaliknya. Hal inilah yang digunakan pada skema 5 sebagai atribut pengukur akurasi dengan F-measure.Akurasi yang didapat adalah 72,35%.

Grafik 3 Hasil Skema 3

4.4 Analisa Hasil Rule SSNNs (Skema 4 dan 5)

5.2 Saran Berikut ini merupakan saran yang dapat diberikan penulis setelah membuat penulisan ini : a) Menerapkan metode Undersampling atau Oversampling agar hasil lebih akurat. b) Menggunakan metode lain sebagai pembanding dalam klasifikasi.

Gambar 10 Pembobotan SSNNs Pada Sistem

Berikut ini merupakan jumlah SSNN yang terbentuk dengan menggunakan parameter yang telah terpilih dari tes sebelumnya.

DAFTAR PUSTAKA [1] Anonym., Tanpa tahun. “Evaluating a classification model – What does precision and recall tell me?”. From http://www.compumine.com/web/public/ newsletter/20071/precision-recall, 2014. Gambar 11 Hasil Klasifikasi Prediksi

Terlihat bahwa hasil pengujian menunjukan adanya perubahan kelas dari pelanggan notchurn menjadi churn. Yang menandakan bahwa pelanggan tersebutlah yang berpotensi untuk melakukan churn berdasarkan hasil dari pengujian sistem ini. Hasil penerapan dari hasil parameter optimum Learning Rate 0,07, Epoch 75 adalah 72,35%.

9

[2]

B. Huang, M. T. Kechadi dan B. Buckley., 2012, "Customer churn prediction in telecommunications," Expert Systems with Applications, vol. 39, p. 1414–1425.

[3]

Clemente. M, Giner-Bosch. V, dan San Matias. S., 2012, “Assessing Classification Methods for Churn Prediction by Composite Indicators,”, Spain : Universitat Politecnica de Valencia.

[4]

Dunham, Margaret H., 2003, “Data Mining Introductory and Advanced Topics,” New Jersey: Prent ice Hall

[5]

Huda, Nuqson ST., 2010, “Aplikasi Data Mining Untuk Menampilkan Informasi Kelulusan Mahasiswa”, Indonesia : Universitas Diponegoro.

[6]

J. Burez dan D. V. d. Poel., 2009, “Handling Class Imbalance In Customer Chrun Prediction,” Expert Systems with Applications, vol. 36, pp. 4626-4636.

[7]

J. Han, M. Kamber dan J. Pei.,2012. “Data Mining Concepts and Techniques”, Morgan Kaufmann Publishers.

[8]

K. Clement, H. Li, C. Wilson, K. Hillary., 2013, “Predicting Customer Churn in Mobile Telephony Industry Using Probabilistic Classifiers in Data Mining,” IJCSI, Vol. 10, Issue 2, No 1, March.

[9]

Larose dan T. Daniel., 2005, “Discovering Knowledge in Data: An Introduction to Data Mining,” John Willey & Sons. Inc.

[10]

Moro, Sergio dan Laureano Raul M. S., 2012. “Using Data Mining for Bank Direct Marketing : An Application of The Crisp-DM Methodology,” Lisboa : Instituto Universitario de Lisboa

[11] R. Agrawal dan R. Srikant., 1994, “Fast algorithms for mining association rules,” Intl. Conf. on Very Large Databases, p. 487–499. [12]

R. Agrawal, T. Imielinski dan A. Swami., 1993, “Mining associations between sets of items in massive databases,” Proc. ACM SIGMOD Intl. Conf. On Management of Data, p. 207– 216.

[13]

Rahman, Monzurur S. M., 2006, Thesis : Data Mining Using Neural Network, Australy : RMIT University.

[14]

Suyanto. ST, MSC., 2007, “Artificial Intellegence”. Bandung: INFORMATIKA.

10